AI应用增速放缓疑云下，AI for Science缘何成为焦点？

自7月以来，全球AI资产经历了深度回调，这一现象背后始终萦绕着一个核心疑问：AI应用的增长速度是否在放缓？资本开支的增速是否即将回落？实际上，这并非AI资产首次因担忧缺乏新的应用空间而遭遇回调。回顾历史，每一轮AI板块的上行机遇，往往都伴随着全新应用场景的横空出世，为市场带来新的活力。

那么，下一代AI应用究竟是什么？这一问题已成为全球资本关注的焦点。如今，大家的目光正聚焦于实验室中一场静悄悄的革命——它不涉及编写代码，不生成文案，也不参与客服对话，却正在悄然重塑人类认识自然世界的方式。这就是AI for Science，即人工智能赋能科学研究，一个正从概念走向规模化落地的庞大且充满潜力的领域。

一、AI for Science：定义与革新

要深入理解AI for Science，我们首先需要认识到传统科学研究的痛点所在。数百年来，科学发现的基本范式未曾改变：提出假设、设计实验、反复试错、归纳规律。然而，这一过程往往耗时耗力且成本高昂。例如，一个新药从靶点发现到上市，平均需要十年时间，并耗费数十亿美元；一种新材料从实验室合成到工业化应用，往往要经历上千次的失败；而蛋白质折叠这一“生物学圣杯”问题，更是困扰了科学家半个世纪之久。这些瓶颈的本质，在于人类在高维复杂系统面前的计算能力和搜索效率存在天然的限制。

AI for Science的出现，正是为了突破这些限制。它利用机器学习，特别是深度学习和生成式模型，来替代或加速传统科研中那些耗时、耗力、耗钱的环节。与简单地用AI帮助科学家查文献、写论文不同，AI for Science让AI直接参与到科学发现的核心链路中，如预测分子结构、设计新材料、模拟化学反应、推导数学定理、分析天文数据等。它所带来的变革，不仅仅是科研工具的升级，更是科研范式的根本性转变。

二、AI for Science：从生命科学到天体物理的跨越

在生命科学和药物研发领域，AI的渗透已经较为深入，且商业化进程较为成熟。以AlphaFold为例，它已经从最初预测单一蛋白质结构的能力，进化到AlphaFold3，能够模拟蛋白质与药物分子、核酸等复杂生物大分子的相互作用。基于这一能力，AI药物研发公司已经将候选分子的筛选周期从数年大幅压缩至数月。据统计，截至2026年上半年，全球已有超过100条由AI参与设计、优化的候选分子进入临床阶段，其中十余款管线更是迈入了III期确证性临床试验。此外，2026年8月《Science》杂志发表的一项研究中，AI模型更是从零开始设计出了16株能在大肠杆菌中复制繁殖的活噬菌体，这是人类历史上首次由生成式AI设计出完整的、可验证的活体病毒基因组。

材料科学是另一个被AI深刻改变的领域。传统新材料研发往往依赖于“炒菜式”的反复试错方法，而AI则可以通过学习已知材料的结构-性能关系，预测未知材料的特性，甚至直接“生成”满足特定性能要求的新材料配方。例如，谷歌DeepMind的GNoME模型就一次性发现了220万种新晶体材料，其中数十万种在理论上是稳定的，这一数量相当于把人类过去几千年已知的稳定材料数量扩大了一个数量级。在新能源电池、半导体、合金、显示面板等工业领域，AI驱动的材料发现正在成为研发提速的核心引擎。

除了生命科学和材料科学，数学和理论物理这些看似“人类专属”的领域，也在被AI逐步渗透。DeepMind的AlphaProof已经能够在国际数学奥林匹克竞赛级别上证明几何定理，引发了数学界的广泛关注。菲尔兹奖得主甚至公开表示担忧，认为AI可能会在两年内改变数学研究的面貌。在天体物理领域，AI则被用于分析黑洞合并的引力波信号、处理望远镜产生的海量观测数据、模拟宇宙演化等复杂任务。

三、AI for Science：为何成为AI领域的重要催化？

判断一个领域的天花板高度，关键在于看它解决的问题有多大。AI for Science所面对的，正是人类文明最基础也最昂贵的投入——科学研究本身。

目前，AI for Science的落地主要集中在生命科学和材料科学领域，而气候科学、地球科学、农业科学、高能物理、核聚变研究等大量领域仍处于早期探索阶段。然而，每一个领域的深度渗透，都意味着一个万亿级市场的打开。更关键的是，科学研究具有极强的“正外部性”——一个基础科学突破往往会催生一整个新产业。AI加速了基础研究，就等于加速了整个人类技术树的生长速度，这种乘数效应是任何单一应用场景都无法比拟的。

对于投资者而言，AI for Science的意义远不止于开辟一个新赛道。它从根本上回答了市场着重关心的一个问题：AI的算力需求和商业化空间，到底还有没有潜力可挖？

首先，AI for Science是算力消耗的超级引擎。科学计算对精度和规模的要求远超通用大模型推理。无论是蛋白质结构预测、分子动力学模拟，还是气候模型、宇宙学模拟，每一个都是算力“黑洞”。以2026年4月投入使用的中科曙光6万卡AI for Science集群为例，它是国内规模最大的全栈自研科学计算集群。据预测，到2026年，全球总算力规模将达到5000至6000EFLOPS，而到2030年，这一数字有望跃升至20000EFLOPS，其中智能算力占比将突破80%。只要科学发现的需求不停止，算力的增长就不会停止，这为AI基础设施投资提供了极其坚实的长期逻辑。

其次，AI for Science打开了ToB和ToG商业化的全新空间。与面向消费者的AI应用不同，科学研究的付费方主要是药企、材料公司、能源企业、科研机构和政府部门等，这些客户的付费意愿和付费能力远高于普通用户。一个AI药物发现平台的年服务费可以达到数百万甚至上千万美元，而一个国家级科学智能基础设施的投资规模更是百亿级别。英伟达已经将AI for Science与大语言模型、具身智能并列为AI三大关键方向，这无疑为产业风向标提供了有力佐证。

最后，AI for Science为AI行业提供了超越“编程效率工具”的叙事深度。当市场还在担心AI只是帮程序员写代码、帮文案人员写稿子时，AI for Science已经展示了AI的硬核价值——它可以帮助人类攻克癌症、开发清洁能源、应对气候变化、理解宇宙本质。这种价值不依赖于用户时长或广告变现，而是直接绑定在人类文明进步的主航道上。对于长期资本而言，没有比这潜力更充足、叙事更宏大的投资主题了。

从预测一个蛋白质结构，到AI设计出活的病毒；从发现数百万种新材料，到证明具有划时代意义的数学定理——AI for Science正在用事实证明，人工智能的价值远不止于提升办公效率。它是人类科学研究范式的一次根本性升级，是算力需求长期增长的坚实底座，也是AI投资叙事中展现出恢弘想象力的篇章。当编程之外的世界被AI逐一打开，我们看到的不是增速放缓，而是一个更广阔、更充满机遇的时代刚刚拉开序幕。

作为当前具备显著高景气优势的核心贝塔赛道之一，AI投资领域拥有众多的投资工具供投资者选择。

若想整体性把握AI投资的核心贝塔，相关产品如人工智能ETF易方达（159819）或更具弹性、聚焦科创创业高弹性主阵地的科创创业人工智能ETF易方达（159140），都是不错的选择；

投资者也可以聚焦核心优势环节，例如半导体设备ETF易方达（159558）、科创芯片ETF易方达（589130）、消费电子ETF易方达（562950）等，这些产品同样具有较高的投资价值。